מושגי ליבה
ブロックチェーン技術による分散機械学習の実用的なインプリケーションを研究しました。
תקציר
この論文では、ブロックチェーン技術が分散機械学習アプリケーションに与える影響を詳細に調査しています。ブロックチェーンの設定や特性がモデルの精度や遅延にどのような影響を与えるかを明らかにしています。MNISTとCIFAR-10データセットでのシミュレーション結果から、モデル不整合や古さが精度に及ぼす影響を示しています。
イントロダクション
- ブロックチェーン技術は分散機械学習アプリケーションに新たな可能性をもたらす。
- フェデレーテッドラーニングは中央サーバーなしでMLモデルをトレーニングする強力な手法です。
ブロックチェーンスループット
- ブロック間隔(BI)とトランザクション数(Nt)がブロックチェーンスループットに大きく影響します。
- BI = 1秒では高いフォーク確率があり、精度低下が見られます。
FLモデルパフォーマンス
- MNISTではBI = 10秒が最適なトレードオフを提供します。
- CIFAR-10ではBI = 60秒が必要です。
モデル不整合と古さ
- 高いフォーク確率はテスト精度の低下と関連しています。
- ブロック間隔の選択はモデル古さへの影響を示しています。
סטטיסטיקה
ブロック間隔(BI)= {1, 10, 60} s
最大トランザクション数(Nt)= {1, 5, 10}
Clink = {1, 100} Mbps
ציטוטים
"ブロック間隔とP2Pリンク容量は、FLアプリケーションパフォーマンスに重要な影響を与えます。"
"高いフォーク確率はテスト精度の低下と関連しています。"